NOVA - Publicación Científica EN CIENCIAS BIOMÉDICAS - ISSN:1794-2470 Vol.8 No.

14 - JULIO - DICIEMBRE DE 2010: 121 - 240

Artículo producto de investigación

Uso de modelos matemáticos para la descripción del

crecimiento de tumores cancerosos
Jair Zapata Peña. J1, Alba Cristina Ortiz P2
1. Universidad Antonio Nariño, Universidad Pedagógica Nacional, Bogotá.
2. Universidad La Gran Colombia, Bogotá.

Correspondencia: jzapata25@gmail.com

Recibido: 05-08-10 / Aceptado: 28-11-10

Resumen
La producción de tumores cancerosos o tumorgénesis ha sido estudiada desde principios del siglo
XX por matemáticos y físicos interesados en aplicaciones biológicas. En este trabajo se plantean diversos
modelos que utilizan ecuaciones diferenciales ordinarias, ecuaciones diferenciales parciales, modelos
estocásticos discretos, estadísticos y de análisis numérico para describir el crecimiento de tumores
cancerosos. Se muestra un análisis comparativo entre estos modelos matemáticos, estableciendo
particularidades y limitaciones debido a la especificidad de las poblaciones cancerosas. Se amplía un
estudio del modelo de competencia por nutrientes utilizando una simulación computacional, donde
se muestran resultados gráficos de las simulaciones para poblaciones de células cancerosas y muertas.
Palabras clave: células cancerosas, modelos matemáticos, competencia por nutrientes, simulación
computacional.

Abstract
Use mathematical models to describe the growth of cancerous tumors
The production of cancerous tumors or tumorigenesis has been studied from principles of the
twentieth century by mathematicians and physicists interested in biological applications. In this paper
we discuss various models using ordinary differential equations, partial differential equations, discrete
stochastic models, statistical-cal and numerical analysis to describe the growth of cancerous tumors.
Shows a comparison between these mathematical models, setting characteristics and limitations due
to the specific cancer populations. It extends a model study competition for nutrients using a computer
simulation, which shows graphical results of simulations for populations of cancer cells and dead.
Keywords: cancer cells, mathematical models, competition for nutrients, computer simulation.

140
 Uso de modelos matemáticos para la descripción del crecimiento de tumores cancerosos - PP.: 140 - 147
Introducción
Aunque la evolución de un sistema cancerígeno
está limitada y condicionada a parámetros químicos
y biológicos, su diseminación a través de los
tejidos y órganos contaminados obedece a diversas
reglas deterministas o estocásticas, las cuales
se pueden modelar utilizando herramientas
matemáticas y condicionamientos físicos (1). La
producción de tumores cancerosos o tumorgénesis
ha sido estudiada desde principios del siglo XX
por matemáticos interesados en aplicaciones
biológicas (2). Se plantean diversos modelos que
utilizan ecuaciones diferenciales ordinarias (EDO),
ecuaciones diferenciales parciales (EDP), modelos
estocásticos discretos, estadísticos y de análisis
numérico.
Existen trabajos alrededor de este tema que
muestran, por un lado, resultados referidos
a tratamientos particulares con modelos no
generalizados, y por otro, estructuras funcionales
que permiten la aplicabilidad a diversos tipos
de cáncer. Sin embargo, hoy en día se carece
de un modelo que proporcione una predicción
y caracterización del comportamiento para el
crecimiento de tumores cancerosos en sus múltiples
formas y para cualquier tipo de población, teniendo
en cuenta, que los modelos existentes funcionan bajo
condiciones ideales y con poblaciones específicas
(3), científicos de diferentes áreas han desarrollado
modelos para el tratamiento de la dinámica del
crecimiento tumoral. Modelos provenientes de
diversos campos como la matemática aplicada, la
estadística, la ciencia computacional, la ciencia
de materiales, la mecánica de fluidos, la dinámica
poblacional, la evolución y la teoría del juego han
sido desarrollados (4).
En este trabajo se muestra un análisis comparativo
entre estos modelos matemáticos estableciendo
particularidades y limitaciones de generalización
debido a la especificidad de las poblaciones cancerosas.
Se amplía un estudio del modelo de competencia por
nutrientes utilizando una simulación computacional,
donde se muestran resultados gráficos de las
simulaciones para poblaciones de células cancerosas
y muertas.
Modelos matemáticos
Ecuaciones diferenciales ordinarias (EDO): este
modelo supone una población de células cancerosas
con igual potencial de crecimiento. Se aplica a
problemas de estabilidad y permanencia de sistemas
donde se tiene una población biológica compitiendo
por recursos. La EDO describe la competición
entre organismos como un cambio en la función
de saturación. El número de células en un tiempo t
depende de la tasa de crecimiento y está asociado con
la capacidad de transporte, que es el tamaño máximo
de la población que se puede alcanzar, definida por el
nutriente suplido y las restricciones espaciales.
La solución a esta ecuación es la curva sigmoidal.
Una aplicación de este modelo fue introducido
por Manfred Eigen en 1971 como un camino para
modelar la evolución dinámica de moléculas únicas
de ARN en experimentos de laboratorio, conocido
como el modelo de las cuasiespecies. Luego se extendió
este modelo al tratamiento y evolución de virus,
bacterias y modelos simples del sistema inmune
(2). El modelo de Eigen supone una población
heterogénea de células i que compiten entre sí y
rodean las células saludables en busca de nutrientes,
oxigeno y espacio. En este modelo el número total de
células del sistema se supone constante y se permite
el desencadenamiento de mutaciones que generan
divisiones celulares a una razón determinada para
cada tipo de célula, es decir, una célula de tipo i solo
puede mutar en una del tipo i + 1 (5).
Ecuaciones diferenciales parciales: este método
es una herramienta muy usada en el estudio del
crecimiento de tumores y la forma en que se
difunden sobre los tejidos que los rodean (6-7). En la
utilización de estas ecuaciones se supone un sistema
descrito bajo un comportamiento mecánico, donde
el sistema puede ser un fluido o una mezcla entre
liquido y sólido (los fluidos son normalmente los
nutrientes). Se presentan fenómenos de difusión y
transporte de nutrientes teniendo en cuenta efectos
de concentración, tamaño y velocidad de células.
En este modelo se aplican condiciones iniciales y
de frontera que están relacionadas con el tamaño,
la permeabilidad del medio, la geometría y las
dimensiones del sistema. Anderson y Chaplain
141
 NOVA - Publicación Científica EN CIENCIAS BIOMÉDICAS - ISSN:1794-2470 Vol.8 No. 14 - JULIO - DICIEMBRE DE 2010: 121 - 240
plantearon una EDP para describir la dinámica de la
densidad de células endoteliales (EC) que migran a
través de un tumor y forman estructuras neovasculares
en respuesta a una señal química especifica conocida
como factor angiogénico del tumor (TAF). Ellos
proponen que si n(x,t) es la densidad EC, entonces
la migración esta descrita por
. Modelo estocástico: muchos fenómenos biológicos
n = D∇ 2 n − ∇(χ (c)n∇c ) + g (n, c ) , (a)
Donde D y X(c) son el coeficiente de difusión y
el parámetro quimio-táctico respectivamente, c(x,t)
es la concentración de TAF químico especifico
responsable de la quimiotaxis y g(n,c)es la función
de proliferación. Para el caso simple la señal química
se puede suponer como estacionaria (independiente
del tiempo), si no es estacionaria esta debe satisfacer
la ecuación diferencial
, (b)
Con v(c,n) como la función específica de
producción de la señal química (8).
Modelo discreto, autómata celular: la estructura del
modelo está basada en una región del espacio discreta
(rejilla cuadrada), donde coexisten unas determinadas
especies celulares. La dinámica de crecimiento está
definida por algunas reglas de interacción a lo largo
de los nodos y entre los vecinos de cada celda. Las
reglas pueden ser determínisticas o estocásticas, estas
últimas son dictaminadas por procesos aleatorios con
inclusión de probabilidades. Cada punto de la rejilla
puede representar una célula individual o un grupo
de células. En una red de autómatas el estado de
una célula dentro de la región depende de las reglas
definidas, del estado de los vecinos y de su propio
estado en la generación anterior.
Un ejemplo básico de autómata celular es una
rejilla en dos dimensiones, con puntos nodales xi,j
donde i y j son las dimensiones de la cuadricula. Se
empieza con una población inicial, que se actualiza
en cada paso de tiempo bajo unas determinadas reglas
de muerte y reproducción. Los modelos de autómata
celular usados para describir sistemas reales son más
142
complejos y tienen en cuenta factores biológicos que
caracterizan la difusividad y crecimiento del tumor.
El modelo de autómata celular en tres dimensiones
describe el crecimiento de un tumor cerebral. En él
se incorporan dos tipos de células proliferativas y no
proliferativas, que requieren para su evolución de dos
cuadriculas una isotrópica y otra adaptable (9-10).
son gobernados por variables aleatorias, y requieren
de un modelo que involucre procesos al azar. Según
este modelo no se puede predecir con exactitud el
estado de un sistema en un tiempo dado pero se
logran predecir ciertas tendencias bajo las cuales este
sistema evoluciona paulatinamente de tal manera que
para experimentos repetidos se encuentran resultados
similares pero no idénticos. El proceso de Moran
es un modelo estocástico simple el cual describe el
comportamiento de una población basado en una
dinámica de nacimiento y muerte. Aquí se considera
una población de tamaño N, con células sanas y
mutadas. En cada paso de tiempo un individuo A es
seleccionado aleatoriamente para su reproducción.
Debido a esto, otro individuo B es seleccionado para
morir. La descendencia de A reemplaza a la célula
muerta B, manteniendo a N constante.
Así pues el proceso de Moran describe la evolución
estocástica de una población finita de tamaño cons-
tante. Se supone que todos los individuos residentes
son idénticos y se introduce un mutante que tiene
un fitness r (el termino fitness, se refiere a la aptitud
en el contexto biológico, que es el valor adaptativo
que tiene un organismo para poder pasar los genes a
futuras generaciones y que sus descendientes puedan
nacer y sobrevivir), mientras que el de los residentes
es 1, es decir, que los mutantes pueden ser menos
o más aptos para sobrevivir que sus predecesores.
Los únicos estados estables posibles en el proceso
de Moran son o todos mutantes o todos residentes.
Komarova describe comportamientos celulares de
organismos adultos como un modelo simple que
tiene como característica una población constante
(11). Otros modelos proponen además poblaciones
en continuo crecimiento o decadencia continua hasta
su extinción, como es el caso del proceso one-hit o el
two-hit (12-13).
 Uso de modelos matemáticos para la descripción del crecimiento de tumores cancerosos - PP.: 140 - 147
Modelo estadístico: este modelo es utilizado
en procesos donde las múltiples etapas de la
carcinogénesis se presentan como una serie de
procesos estocásticos con eventos mutacionales y de
expansión de clones. Para este modelo se proponen
una serie de variables como tasas de mutación,
tasas promedio de expansión de clones por etapa y
número de etapas. La probabilidad de desarrollo de
cáncer para una cierta edad es calculada, usualmente
por simulaciones numéricas, como una función de
todos los parámetros desconocidos. El resultado de
tales cálculos para cada conjunto de parámetros es
comparado con los datos existentes de la incidencia de
cáncer, donde se identifica el conjunto de parámetros
que mejor se ajuste. Trabajos en los que se analizan
curvas de incidencia y muerte con la edad muestran
diferentes curvas con las fluctuaciones estadísticas de
las muertes a causa del cáncer por año, se destacan
las diferencias entre el cáncer a edades tempranas y
después de los cuarenta años (14-15).
Modelo de competencia por nutrientes
Scalerandi y colaboradores desarrollaron un
modelo para el crecimiento del cáncer basado en la
competencia por nutrientes. Este modelo supone una
población celular condicionada en una región del
espacio discreta (16). Se formulan una serie de reglas
a nivel celular, las cuales son implementadas con
ecuaciones diferenciales no lineales. Las ecuaciones
diferenciales son discretas y solucionadas usando
simulaciones numéricas. Se considera una región de
tejido completamente sana. El tejido se representa
por una red cuadrada, donde cada punto nodal i,j
representa un elemento de volumen que contiene
varias células y moléculas de nutrientes. Se coloca
una semilla de cáncer en el centro de la red. Luego
de un paso de tiempo se supone la coexistencia de
tres poblaciones, células cancerosas, células sanas y
células muertas, dentro de los nodos que conforman
la red. La evolución de esta concentración de células
es descrita por ecuaciones diferenciales de primer
orden en función del tiempo, que están sujetas
a unas determinadas reglas de crecimiento. Estas
reglas dependen de la disponibilidad de nutrientes
en las cercanías del tumor, de las tasas de absorción
y difusión de nutrientes, así como de las cantidades
de células muertas, sanas y cancerígenas.
Reglas para el crecimiento de tumores
Para las reglas de crecimiento se supone la
coexistencia de tres poblaciones: células cancerosas
  
c(r , t ) , células sanas h(r , t ) y células muertas d (r , t )
, dentro de los nodos que conforman la red. En el
instante inicial t = 0 se coloca una semilla de cáncer
dentro de una región con población celular sana. El
sistema evoluciona y la distribución de las células que
ocupan un nodo varía con el tiempo, pero se supone
que la población total por nodo se conserva y está
normalizada, de tal forma que:
  
h(r , t ) + c(r , t ) + d (r , t ) = 1 . (c)
La cual se cumple en todo momento y en toda la
red. El modelo propone para la evolución en el tiempo
de estas tres poblaciones una serie de ecuaciones de
diferencias de primer orden, que requieren de una
solución numérica. Estas ecuaciones se escribirán
en adelante de forma discreta omitiendo por
brevedad la dependencia con el tiempo. Se describen
a continuación las reglas para el crecimiento de
tumores cancerosos según este modelo: alimentación,
consumo, muerte, mitosis, migración.
Alimentación: los nutrientes libres p(r ) son
transformados en nutrientes ligados q (r ) con una
tasa de absorción γ~ igual a
, (d)
donde Γ es un parámetro de afinidad y γ~as representa
el valor de saturación de la tasa de absorción para
valores grandes de nutriente libre, p(r ).

Consumo: los nutrientes ligados q (r ) son consumidos
por las células cancerosas con una tasa de
, (e)

Donde el término c(r ) ha sido incluido en
el exponente porque cada célula puede consumir
únicamente su propio nutriente ligado.
Muerte: la mortalidad de células depende de la
concentración de nutriente ligado, que es necesario
143
 NOVA - Publicación Científica EN CIENCIAS BIOMÉDICAS - ISSN:1794-2470 Vol.8 No. 14 - JULIO - DICIEMBRE DE 2010: 121 - 240
para el funcionamiento de las células, la escasez de éste
produce la muerte celular. Si la cantidad promedio
de nutriente ligado por célula cancerosa q(r ) / c(r ) ,
 célula no tiene sentido de su posición en el tejido, sino
en un nodo r , cae por debajo del umbral de muerte

QD , un número de células cancerosas rD c(r ) mueren
de hambre en el siguiente paso.
Mitosis: una alta concentración de nutriente ligado
puede ocasionar división celular. Cuando la cantidad
promedio de nutriente ligado por célula cancerosa
 
q (r ) / c(r ) excede el umbral de mitosis, Q (Q > Q )
M M D Para la realización de las simulaciones
, una fracción m(r ) de células sanas es transformada
en células cancerosas. Esta fracción está dada por,
     
m(r ) = h(r ) + [rM c(r ) − h(r )]Θ [rM c(r ) − h(r )] . (f )
Aquí Θ(x) es la función escalón de Heaviside,
la cual verifica cuando la cantidad promedio de
nutriente ligado es menor que el umbral de muerte
y cuando la cantidad promedio de nutriente ligado
se hace mayor que el umbral de mitosis. rM es una
constante.
Migración: si los nutrientes libres son pocos,
las células cancerosas tienden a migrar a los nodos
vecinos más cercanos. Asumiendo que si la cantidad
promedio de nutriente libre por célula cancerosa en
  
un nodo r , es p (r ) / c(r ) < PD , las células cancerosas
migraran a los nodos vecinos con un coeficiente de
migración α~ el cual depende del tipo de nutriente.
Donde PD es la cantidad mínima de nutriente libre
por célula cancerosa, existente en los alrededores, para
el cual no se produce migración.
Materiales y métodos
Las funciones vitales que tienen lugar en el
interior de las células, a nivel microscópico, tales
como la síntesis de proteínas, la transmisión de
información genética y demás, involucran procesos
de alta complejidad para la realización de análisis
matemáticos y caracterizaciones físicas. Sin embargo,
cuando se estudian los tejidos a una escala mayor
como la mesoscópica existen algunas estructuras
biológicas sobre las cuales subyace la idea de un
modelo de coexistencia celular.
Este modelo obedece dinámicas de movilidad,
reproducción y muerte que están sujetas a procesos
144
de supervivencia celular, en los cuales las diferentes
poblaciones que conviven en un tejido compiten
por alimento y espacio. Teniendo en cuenta que una
que solo responde a señales y estímulos provenientes
de su entorno local (3), el análisis mesoscópico
desarrollado en este trabajo pretende describir el
comportamiento celular a esta escala, utilizando el
modelo matemático de competencia por nutrientes.
computacionales se discretizaron las ecuaciones
diferenciales que propone el modelo, utilizando
diferencias finitas; luego de ello se desarrolló un
programa en C++, con programación orientado a
objetos. Los resultados numéricos que arrojaban las
simulaciones se visualizaron a través de graficas generadas
en Matlab 7.0, para su posterior análisis, discusión
y convalidación con expertos de la Universidades
de Puerto Rico y Córdoba Argentina (17, 18).
Resultados
En este trabajo se amplía un estudio del modelo
de competencia por nutrientes. Se considera una red
de tejido de 1cm x 1cm . La red se selecciona pequeña
ya que se debe garantizar mantener el tejido dotado
de los nutrientes y oxigeno necesarios para que las
células puedan desarrollar sus funciones biológicas
básicas. El diámetro promedio de las células de los
mamíferos es aproximadamente de 10 µm. Teniendo
en cuenta que el modelo utilizado está basado en
concentraciones celulares resulta apropiado suponer
la red del tejido de 100 x 100 nodos. Así cada
nodo tendrá una dimensión de 100 µm x 100 µm .
Considerando el tamaño celular cada nodo contendrá
100 células. La discretización espacial estará dada por
∆ = 100 µm . Para la discretización temporal se debe
garantizar la estabilidad de la red de acuerdo con...
∆2
τ≤
2
para no tener problemas en la discretización de las
derivadas donde se supone que ∆t = 8h , es decir que
3 pasos de simulación corresponden a un día o que
t = 1000 pasos corresponden aproximadamente a un
 Uso de modelos matemáticos para la descripción del crecimiento de tumores cancerosos - PP.: 140 - 147
Figura 1. Morfología del crecimiento de células cancerosas. Tumor en
diferentes iteraciones de tiempo. Parámetros tomados de Komarova y
colaboradores, mayor concentración cancerosa color rojo disminuyendo
la densidad hacia el color azul.
año de tiempo real (17). Este es un valor estimado para
un correspondiente crecimiento cancerígeno cercano a
los 5 años para producirse la intravasación (18).
La Figura 1 muestra el comportamiento de
las células cancerosas para el crecimiento de un
tumor. Se observa que a partir de una semilla en el
centro de la red se genera el crecimiento del tumor
canceroso. El tumor inicia como una masa uniforme
y concentrada, la cual presenta una baja densidad
de células cancerosas (azul) en la región superior, la
actividad cancerosa aumenta hacia la parte baja del
tumor, región roja, orientado hacia la parte inferior
de la red donde se encuentra ubicada la vena, por
donde circulan los nutrientes. Se genera una zona
denominada núcleo necrótico, región azul oscuro,
Figura 2. Morfología de las células muertas. La región azul oscuro
está completamente sana y los colores rojos, amarillos y azules claros
representan las regiones con mayor número de células muertas del
tumor.
ubicada en la parte central y caracterizada por
contener las células muertas del tumor. Estas células
son originadas a partir de las cancerígenas que no se
pueden reproducir o mueren por falta de alimento
y espacio.
En la Figura 2 se muestra el comportamiento
de la concentración de células muertas. Se aprecia
en estas imágenes como este crecimiento se origina
desde la parte central y se expande de forma maciza
hacia el exterior, generando lo que anteriormente se
denomino núcleo necrótico. Es importante notar que
las simulaciones muestran una aparición de células
muertas solamente en la región central del tumor. Este
comportamiento se da porque la actividad celular,
145
 NOVA - Publicación Científica EN CIENCIAS BIOMÉDICAS - ISSN:1794-2470 Vol.8 No. 14 - JULIO - DICIEMBRE DE 2010: 121 - 240
como consumo de nutrientes y búsqueda de espacio,
se desarrolla principalmente en la periferia del tumor
que es la zona más agresiva (19-20). Las células que
van quedando en la parte interna comienzan a morir
por falta de condiciones suficientes para cumplir sus
funciones vitales.
Discusión
En el modelo de competencia por nutrientes se
encontraron comportamientos particulares asociados
con la disponibilidad de nutrientes y de espacio,
evidenciándose que las células cancerosas compiten
por estos dos. El comportamiento del modelo refleja
que la proliferación cancerosa depende estrictamente
de cuatro parámetros: la movilidad de las células
cancerosas α~ , la capacidad de absorción de nutrientes
, la capacidad para consumir nutrientes y la
 de predecir tiempos de vida de algunos órganos afec-
disposición del nutriente libre en el tejido p(r ) .
Las simulaciones muestran que las células muertas
se ubican esencialmente en la región central del
tumor, debido a que la actividad celular, como
consumo de nutrientes y búsqueda de espacio, se
desarrolla principalmente en la periferia del tumor
que es la zona más agresiva y con mayor actividad.
Este comportamiento es similar a lo encontrado en el
trabajo de Brú (20), el cual explicita como un factor
predominante privilegia la posición que brinda la
región externa del tumor, debido a su proximidad
y mayor interacción con los nutrientes y el espacio
libre para la proliferación de las células cancerosas.
Se encuentra además algunas similitudes entre
el modelo de competencia por nutrientes con
el modelo Autowaves  para el  crecimiento de los
tumores  invasivos (21), que tiene  en  cuenta  la
división  celular,  la muerte  y la  movilidad. Este
modelo incluye además la densidad celular local y la
distribución de la concentración de nutrientes, que
se podría relacionar con la distribución de nutrientes

libres p (r ) usados en el modelo de competencia por
nutrientes. Cabe destacar que el modelo Autowaves
no tiene especificidad en las tasas de absorción, en
el consumo de nutrientes y migración, como si lo
hace el utilizado en este trabajo de competencia por
nutrientes.
146
Este modelo refleja consistencia y validez ya que
permite predecir diferentes tasas de crecimiento y
morfologías tumorales al variar algunos de sus pará-
metros, como la movilidad, el consumo y la absorción
de nutrientes. Si el parámetro se hace grande el
nutriente libre se consumirá más rápido ocasionando
migración celular. Por otro lado si < las células
cancerosas aumentan su reproducción ya que dispo-
nen de una mayor concentración de nutriente ligado;

esto ocasiona una posterior reducción de p (r ) en la
región, lo que origina la migración celular. El desa-
rrollo de este modelo es consecuente con las reglas
biológicas que involucran dinámicas de movilidad
y crecimiento, en donde las células compiten por
espacio y alimento con células de la misma clase, de
otras clases o vecinas.
Otra fortaleza del modelo es la capacidad que tiene
tados, así como de ofrecer criterios temporales para
pronosticar procesos de metástasis, los cuales pueden
ser de gran utilidad en la aplicación medica real (17).
Los resultados obtenidos en este conllevan a
considerar que el método EDO presenta como
ventaja la simplicidad en el desarrollo, pero es poco
detallado excluyendo eventos aleatorios, lo que
implica una aplicabilidad restringida. El modelaje
con EDP describe dinámicamente variaciones
espaciales del sistema que son más convincentes
biológicamente que las encontradas con las EDO,
pero el tratamiento físico no se puede idealizar ya
que faltan parámetros biológicos y la intervención de
los efectos estocásticos. El modelaje discreto, muestra
una nueva clase de comportamiento que no puede
ser visto en el modelo continuo, permitiendo rastrear
celdas individuales reproduciendo las dinámicas que
surgen de la estructura como la vascularización de
tumores. Esta aproximación es netamente numérica
dificultando el análisis del modelo y la generalización
del mismo para diversas tendencias.
El modelaje computacional se muestra como
una herramienta esencial en el tratamiento de las
dinámicas de crecimiento, siendo ésta la forma más
eficiente de estudiar y visualizar el comportamiento
de poblaciones que obedecen estructuras discretas y
fenómenos de aleatoriedad. Con el modelo estudiado
 Uso de modelos matemáticos para la descripción del crecimiento de tumores cancerosos - PP.: 140 - 147
de competencia por nutrientes se analizaron diversas
morfologías de crecimiento, estudiando y evaluando
sistemáticamente el comportamiento y la dinámica
tumoral al variar los parámetros que regulan el
modelo, como absorción y consumo de nutrientes,
migración, mitosis y muerte celular. En este proceso
se encontraron comportamientos particulares
asociados con la disponibilidad de nutrientes y
de espacio, resaltándose que las células cancerosas
compiten por estos dos.
Agradecimientos
Departamento de Física de la Universidad de Puerto
Rico-Mayagüez.
Referencias
1. Kolev M, Zubik-Kowal B. Numerical Solutions for a Model of Tis-
sue Invasion and Migration of Tumour Cells. Comput Math Methods
Med. 2011;2011:452320.
2. Solé RV, Deisboeck TS. An error catastrophe in cancer?. J Theor
Biol. 2004;228:47-54.
3. Menchón S.A. Modelado de diversas etapas del crecimiento del
cáncer y de algunas terapias antitumorales. Córdoba. Tesis Doctoral
(Doctorado en física), Universidad Nacional de Córdoba, Argentina,
Departamento de física. 2007.
4. Wodarz D, Komarova NL. Computational Biology Of Cancer: Lecture
Notes And Mathematical Modeling. Ed. World Scientific, Singapore.
2005. p.13-26.
5. Sotolongo-Costa O, Morales L, Rodríguez D, Antoranz JC, Chacon
M. Behavior of tumor under nonostationary therapy. Physical D.
2003;178:242-253.
6. Kim Y, Friedman A. Interaction of tumor with its micro-environment:
A mathematical model. Math Biol. 2010;72:1029-1068.
7. Doumic-Jauffret M, Kim PS, Perthame B. Stability analysis of a
simplified yet complete model for chronic myelogenous leukemia.
Bull Math Biol. 2010;72:1732-1759.
8. Anderson AR, Chaplain MA. Continuous and discrete mathematical
models of tumor-induced angiogenesis. Bull Math Biol. 1998;60:857-
899.
9. Kansal AR, Torquato S, Harsh GR IV, Chiocca EA, Deisboeck TS.
Simulated brain tumor growth dynamics using a three-dimensional
cellular automaton. J Theo Biol. 2000;203:367-382.
10. Azuaje F. Computational discrete models of tissue growth and
regeneration. Brief Bioinform. 2011;12:64-77.
11. Komarova NL, Sengupta A, Nowak MA. Mutation-selection networks
of cancer initiation: tumor suppressor genes and chromosomal insta-
bility. J Theor Biol. 2003;223:433-450.
12. Knudson AG. Hereditary cancer: two hits revisited. J Cancer Res
Clin Oncol. 1996;122:135-140.
13. Knudson AG. Mutation and cancer: statistical study of retinoblastoma.
En: Proc Natl Acad Sci USA. 1971;68:820-823.
14. Frank SA. Age-specific acceleration of cancer. Curr Biol.
2004;14:242-246.
15 Krewski D, Zielinski JM, Hazelton WD, Garner MJ, Moolgavkar
SH. The use of biologically based cancer risk models in radiation
epidemiology. Radiat Prot Dosimetry. 2003;104:367-376.
16. Pescarmona GP, Scalerandi M, Delsanto PP, Condat CA. Nutrient
competition as a determinant for cancer growth. Med Hypotheses.
1999;53:497-503.
17. Zapata J.Jair M. Simulaciones por computadora de un modelo espacio-
temporal para la interacción del sistema inmunológico y los tumores
cancerosos. Dissertations & Theses. 2009;1:76-80.
18. Menchón SA, Ramos RA, Condat CA. . Modeling subspecies and
tumor-immune system interaction: Step towards understanding therapy.
Physica A. 2007;386:713-719.
19. Brú A, Pastor JM, Brú I, Melle S, Berenguer C. Super rough dynamics
on tumor growth. Phys Rev Lett. 1998;18:4008- 4011.
20. Brú A, Albertos S, López García-Asenjo JA, Brú I. Pinning of tu-
moral growth by enhancement of the immune response. Phys Rev Lett.
2004;92:238101-238104.
21. Kolobov AV, Gubernov VV, Polezhaev AA. Autowaves in a model of
growth of an invasive tumor. Biofizika. 2009;54:334-342.
147